Keras自定义图像数据生成器传入rescale参数触发TypeError

报错核心诱因 #

• 该报错无复杂底层逻辑，本质是自定义类与Keras原生接口的命名混淆、参数定义不匹配导致的。
• 你自己基于keras.utils.Sequence实现了一套按txt文件路径列表加载图像的生成逻辑，直接将类命名为ImageDataGenerator——这和Keras官方提供的、内置归一化、数据增强能力的图像生成器类名完全重名，编写后续训练代码时不自觉套用了原生类的传参习惯。
• 你的自定义类初始化函数__init__仅声明了file_ids、batch_size两个入参，没有预留rescale参数的接收逻辑，Python在初始化类实例时会校验所有传入的关键词参数，碰到未定义的rescale参数就会直接抛出TypeError: __init__() got an unexpected keyword argument 'rescale'。
• 存在附带的隐藏问题：后续训练代码里调用的flow_from_directory方法、train_dir/validation_dir路径变量，全是Keras原生生成器的专属用法，和你实现的“基于文件ID列表加载数据”的生成器逻辑完全不兼容，就算解决了当前的参数报错，后续还会触发“方法不存在”的报错。

对应修复步骤 #

• 重命名自定义生成器类，从根源上消除和Keras原生类的命名混淆，比如将类名修改为CustomImageSequenceGenerator，原有内部逻辑不需要改动。
• 给自定义类补充归一化支持：在__init__方法中增加rescale参数的接收逻辑，在图像读取完成后应用缩放系数，满足图像归一化的训练需求：

  class CustomImageSequenceGenerator(Sequence):
      'Generates data for Keras'
      def __init__(self, file_ids, batch_size=32, rescale=None):
          # 新增rescale参数接收
          self.file_ids = file_ids
          self.batch_size = batch_size
          self.rescale = rescale
  
      def __len__(self):
          return int(np.floor(len(self.file_ids) / self.batch_size))
  
      def read_and_reisze_image(self, image_path):
          im = cv2.imread(image_path)
          im_resized = cv2.resize(im, (32, 32), interpolation=cv2.INTER_LINEAR)
          im_converted = cv2.cvtColor(im_resized, cv2.COLOR_BGR2RGB)
          # 增加缩放逻辑
          if self.rescale is not None:
              im_converted = im_converted * self.rescale
          return im_converted
          
      def __getitem__(self, index):
          file_id = self.file_ids[index * self.batch_size:(index + 1) * self.batch_size]
          images = [self.read_and_reisze_image(f[0]) for f in file_id]
          labels = [int(f[1]) for f in file_id]
          labels = keras.utils.to_categorical(labels, num_classes=23)
          return np.asarray(images), labels
  

• 修正训练阶段的实例化逻辑：删除所有原生生成器专属的flow_from_directory调用，直接用拆分好的训练集、验证集文件ID列表实例化自定义生成器：

  # 先拆分原有的文件ID列表为训练、验证子集
  train_file_ids, valid_file_ids = train_test_split(files_ids, test_size=0.2, random_state=42)
  
  # 实例化生成器，传入需要的rescale参数
  train_generator = CustomImageSequenceGenerator(train_file_ids, batch_size=32, rescale=1/255.)
  valid_generator = CustomImageSequenceGenerator(valid_file_ids, batch_size=32, rescale=1/255.)
  

• 修正模型定义与编译阶段的不匹配问题，避免修复完参数报错后触发形状、损失计算类错误：
  • 自定义生成器将图像resize为32*32尺寸，要把CNN第一层Conv2D的input_shape从(80,80,3)改为(32,32,3)，匹配输入张量维度。
  • 模型最后一层Dense层使用了softmax激活函数，编译时损失函数的from_logits参数要改为False，否则会和softmax的逻辑冲突，导致损失计算结果错误。
    修正后的编译代码：

  model.compile(
      optimizer=keras.optimizers.Adam(),
      loss=keras.losses.CategoricalCrossentropy(from_logits=False),
      metrics=[keras.metrics.CategoricalAccuracy()]
  )
  

• 直接调用model.fit接口传入两个自定义生成器即可启动训练：

  history = model.fit(
      train_generator,
      epochs=50,
      validation_data=valid_generator
  )
  

内容的提问来源于stack exchange，提问作者Aitch